CN103152695B - 基于td-scdma系统的井下人员精确定位方法 - Google Patents
基于td-scdma系统的井下人员精确定位方法 Download PDFInfo
- Publication number
- CN103152695B CN103152695B CN201310054905.2A CN201310054905A CN103152695B CN 103152695 B CN103152695 B CN 103152695B CN 201310054905 A CN201310054905 A CN 201310054905A CN 103152695 B CN103152695 B CN 103152695B
- Authority
- CN
- China
- Prior art keywords
- value
- toa
- algorithm
- tdoa
- aoa
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于TD-SCDMA系统的井下人员精确定位方法,获取信号到达基站的时间TOA和到达角度AOA;利用改进的kalman滤波算法TOA值去噪处理;由去噪处理后的TOA值求得信号到达时间差TDOA值;用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计;利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计值;利用贝叶斯推论对位置估计值进行第二次数据融合,求得最终的位置估计值;该井下人员精确定位方法利用TD-SCDMA系统的优势和数据融合的优越性,采用TDOA/AOA混合数据融合定位算法,定位精度高,解决了煤矿井下人员定位困难的问题。
Description
技术领域
本发明属于移动通信技术领域,尤其涉及基于TD-SCDMA系统的井下人员精确定位方法。
背景技术
煤矿井下生产环境复杂、恶劣,各种自然灾害造成的矿井重大灾害及伤亡事故时有发生。通过对各种矿难的分析,造成重大人员伤亡的原因有多种,其中一个重要的原因是缺乏精确的定位系统,使得对井下各种生产信息和人员信息无法做到及时的了解和掌握,当突发事故即将发生时不能及时疏导和撤离工作人员,从而造成人员伤亡。由此可见,矿难发生后及时获得井下工作人的精确位置对救援工作至关重要,然而,煤矿井下环境的特殊性使得对井下人员的精确定位难以实现。
目前,井下人员的定位基本上采用的是RFID。这种方法是在矿井井口处或其它井下一些关键通道口,使用射频卡(RFID)读取的方法对下井人员进行记录跟踪。这种方法存在有效工作时间短、漏读、定位精度低和功能单一等弊端,因而无法满足井下高精度、高效率的人员定位要求。3G网络在井下人员定位中的应用则弥补了传统定位系统的缺点,TD-SCDMA系统独有的智能天线技术使得TDOA/AOA混合定位方法成为了可能,再加上kalman滤波器在平滑滤波上的优势和数据融合理论的不断发展,因此,采用基于TD-SCDMA的混合数据融合定位方法是具有可行性且容易实现的方法。
发明内容
本发明提供了基于TD-SCDMA系统的井下人员精确定位方法,旨在解决目前井下人员的定位基本上采用的是在矿井井口处或其它井下一些关键通道口,使用射频卡(RFID)读取的方法对下井人员进行记录跟踪,这种方法有效工作时间短、漏读、定位精度低和功能单一,无法满足井下高精度、高效率的人员定位要求的问题。
本发明的目的在于提供基于TD-SCDMA系统的井下人员精确定位方法,该井下人员精确定位方法包括以下步骤:
步骤一,获取信号到达基站的时间TOA和到达角度AOA;
步骤二,利用改进的kalman滤波算法对获取的TOA值进行去噪处理;
步骤三,由去噪处理后获得的TOA值求得信号到达时间差TDOA值;
步骤四,用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计;
步骤五,利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计值;
步骤六,利用贝叶斯推论对位置估计值进行第二次数据融合,求得最终的位置估计值。
进一步,在步骤一中,由于TD-SCDMA采用智能天线技术,可通过MUSIC算法获得的获得比较精确的AOA值,TOA值可通过基站直接获得。
进一步,在步骤二中,对TOA值的滤波过程以及kalman滤波算法的改进如下:
若rm(ti)表示在ti时刻从移动台MS到基站BSm的距离测量值,则rm(ti)等于真实距离dm(ti)、系统测量误差nm(ti)和NLOS误差NLOS(ti)之和,即:
rm(ti)=dm(ti)+nm(ti)+NLOS(ti) (1)
其中nm(ti)为服从均值为零的高斯噪声,NLOS(ti)一般认为是符合基于均方根时延扩展τrms的服从指数、均匀或Delta分布的正随机变量;
卡尔曼滤波器通过状态转移方程和系统测量方程把某一时刻的状态值与当前以及以前时刻的测量值联系起来,从而得到当前时刻的最优值,假设每隔周期T获取一次TOA数据,则Kalman滤波的状态方程为:
X(k+1)=φX(k)+GW(k) (2)
式(2)中
其中r(k)为k时刻的TOA值,r′(k)为r(k)的导数,因为只考虑移动台静止的情况,所以r′(k)=0,φ为状态转移矩阵,W(k)为状态噪声,服从零均值、协方差矩阵为Q的高斯白噪声;
观测方程为:Z(k)=HX(k)+V(k) (3)
式(3)中,H是测量矩阵,取H=[1 0];
测量噪声V(k)主要包括标准测量误差nm(ti)和NLOS误差NLOS(ti),测量噪声V(k)的协方差矩阵为R;
卡尔曼滤波递推运算过程如下:
状态预测:
预测误差协方差:
P(k/k-1)=φP(k-1/k-1)φT+GQ(k-1)GT (5)
计算Kalman滤波增益:
K(k)=P(k/k-1)HT[HP(k/k-1)HT+R(k)]-1 (6)
计算最优滤波值:
计算滤波误差协方差:
P(k/k)=P(k/k-1)[1-K(k)H] (8)
返回(4)式,开始下一次滤波;
Kalman滤波需要给定初始条件,由于NLOS产生一个正值误差,所以这里取前五次获得的信号到达时间的平均值对应的TOA值为初始值;
如果测量噪声V(k)受到NLOS的影响,则滤波估计值也会收到影响而高于正常值,由于卡尔曼滤波器具有记忆性,这种影响会一直持续下去,为减小NLOS误差对TOA估计值的影响,以下进行改进;
在迭代过程中,首先设定一个门限值,然后将最优滤波值与该门限值进行比较,如果大于门限值,则舍去该值,用上一时刻的状态估计值来代替该时刻的状态估计值;反之,则保留该值,重复迭代,可有效地克服NLOS影响。
进一步,在步骤三中,由去噪处理后获得的TOA值求得信号到达时间差TDOA值时,由于TD-SCDMA系统具有精确的时钟同步,可直接利用kalman滤波处理后的TOA值相减得到TDOA值。
进一步,在步骤四中,用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计时,利用TD-SCDMA的智能天线技术获得较精确的AOA值,结合TDOA值,建立相应的方程组,再利用Chan算法和Taylor算法分别进行求解,得到移动台的位置估计值。
进一步,在步骤五中,利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计值时,利用残差公式求得Chan算法和Taylor算法的残差加权系数分别为:和 其中 为定位估计值, 为参与定位的第i个基站BS的坐标,ri为MS到第i个BS的测量距离,N为参与定位的BS数,经过加权后的位置估计值为:则经过残差加权后的定位结果为:
进一步,在步骤六中,利用贝叶斯推论对位置估计值进行第二次数据融合,求得最终的位置估计值时,根据贝叶斯推论计算出方差为σ的向量X的加权向量为通过计算求得第一次数据融合后的定位估计值和Taylor算法定位估计值的均值和方差,分别设为Xr、Xt和则经过贝叶斯数据融合的最终位置估计值的均值和方差分别为Xout和σout,则:
本发明提供的基于TD-SCDMA系统的井下人员精确定位方法,获取信号到达基站的时间TOA和到达角度AOA;利用改进的kalman滤波算法对获取的TOA值进行去噪处理;由去噪处理后获得的TOA值求得信号到达时间差TDOA值;用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计;利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计值;利用贝叶斯推论对位置估计值进行第二次数据融合,求得最终的位置估计值;该井下人员精确定位方法利用TD-SCDMA系统的优势和数据融合的优越性,采用TDOA/AOA混合数据融合定位算法,定位精度高,有效地解决了煤矿井下人员定位困难的问题,实用性强,具有较强的推广与应用价值。
附图说明
图1是本发明实施侧提供的基于TD-SCDMA系统的井下人员精确定位方法的实现流程图;
图2是本发明实施例提供的改进的kalman滤波算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定发明。
图1示出了本发明实施例提供的基于TD-SCDMA系统的井下人员精确定位方法的实现流程。
该井下人员精确定位方法包括以下步骤:
步骤一,获取信号到达基站的时间TOA和到达角度AOA;
步骤二,利用改进的kalman滤波算法对获取的TOA值进行去噪处理;
步骤三,由去噪处理后获得的TOA值求得信号到达时间差TDOA值;
步骤四,用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计;
步骤五,利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计值;
步骤六,利用贝叶斯推论对位置估计值进行第二次数据融合,求得最终的位置估计值。
在本发明实施例中,在步骤一中,由于TD-SCDMA采用智能天线技术,可通过MUSIC算法获得的获得比较精确的AOA值,TOA值可通过基站直接获得。
图2是本发明实施例提供的改进的kalman滤波算法流程图。
在本发明实施例中,在步骤二中,对TOA值的滤波过程以及kalman滤波算法的改进如下:
若rm(ti)表示在ti时刻从移动台MS到基站BSm的距离测量值,则rm(ti)等于真实距离dm(ti)、系统测量误差nm(ti)和NLOS误差NLOS(ti)之和,即:
rm(ti)=dm(ti)+nm(ti)+NLOS(ti) (1)
其中nm(ti)为服从均值为零的高斯噪声,NLOS(ti)一般认为是符合基于均方根时延扩展τrms的服从指数、均匀或Delta分布的正随机变量;
卡尔曼滤波器通过状态转移方程和系统测量方程把某一时刻的状态值与当前以及以前时刻的测量值联系起来,从而得到当前时刻的最优值,假设每隔周期T获取一次TOA数据,则Kalman滤波的状态方程为:
X(k+1)=φX(k)+GW(k) (2)
式(2)中
其中r(k)为k时刻的TOA值,r′(k)为r(k)的导数,因为只考虑移动台静止的情况,所以r′(k)=0,φ为状态转移矩阵,W(k)为状态噪声,服从零均值、协方差矩阵为Q的高斯白噪声;
观测方程为:Z(k)=HX(k)+V(k) (3)
式(3)中,H是测量矩阵,取H=[1 0];
测量噪声V(k)主要包括标准测量误差nm(ti)和NLOS误差NLOS(ti),测量噪声V(k)的协方差矩阵为R;
卡尔曼滤波递推运算过程如下:
状态预测:
预测误差协方差:
P(k/k-1)=φP(k-1/k-1)φT+GQ(k-1)GT (5)
计算Kalman滤波增益:
K(k)=P(k/k-1)HT[HP(k/k-1)HT+R(k)]-1 (6)
计算最优滤波值:
计算滤波误差协方差:
P(k/k)=P(k/k-1)[1-K(k)H] (8)
返回(4)式,开始下一次滤波;
Kalman滤波需要给定初始条件,由于NLOS产生一个正值误差,所以这里取前五次获得的信号到达时间的平均值对应的TOA值为初始值;
如果测量噪声V(k)受到NLOS的影响,则滤波估计值也会收到影响而高于正常值,由于卡尔曼滤波器具有记忆性,这种影响会一直持续下去,为减小NLOS误差对TOA估计值的影响,以下进行改进;
在迭代过程中,首先设定一个门限值,然后将最优滤波值与该门限值进行比较,如果大于门限值,则舍去该值,用上一时刻的状态估计值来代替该时刻的状态估计值;反之,则保留该值,重复迭代,可有效地克服NLOS影响。
在本发明实施例中,在步骤三中,由去噪处理后获得的TOA值求得信号到达时间差TDOA值时,由于TD-SCDMA系统具有精确的时钟同步,可直接利用kalman滤波处理后的TOA值相减得到TDOA值。
在本发明实施例中,在步骤四中,用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计时,利用TD-SCDMA的智能天线技术获得较精确的AOA值,结合TDOA值,建立相应的方程组,再利用Chan算法和Taylor算法分别进行求解,得到移动台的位置估计值。
在本发明实施例中,在步骤五中,利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计值时,利用残差公式求得Chan算法和Taylor算法的残差加权系数分别为:和 其中 为定位估计值, 为参与定位的第i个基站BS的坐标,ri为MS到第i个BS的测量距离,N为参与定位的BS数,经过加权后的位置估计值为:则经过残差加权后的定位结果为:
在本发明实施例中,在步骤六中,利用贝叶斯推论对位置估计值进行第二次数据融合,求得最终的位置估计值时,根据贝叶斯推论计算出方差为σ的向量X的加权向量为通过计算求得第一次数据融合后的定位估计值和Taylor算法定位估计值的均值和方差,分别设为Xr、Xt和则经过贝叶斯数据融合的最终位置估计值的均值和方差分别为Xout和σout,则:
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
发明内容:基于现有技术的缺点和不足,本发明的目的是提供一种基于TD-SCDMA系统的井下人员精确定位方法。对于移动台的精确定位主要包括一下内容:
(1)获取信号到达基站的时间TOA和到达角度AOA;
(2)利用改进的kalman滤波算法对获取的TOA值进行去噪处理;
(3)由(2)中获得的TOA值求得信号到达时间差TDOA值;
(4)用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计;
(5)利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计;
(6)利用贝叶斯推论对位置估计值进行第二次数据融合。
获取TOA和AOA:由于TD-SCDMA采用智能天线技术,可通过MUSIC算法获得的获得比较精确的AOA值,而TOA值可以通过基站直接获得;
利用改进的kalman滤波算法对TOA值进行去噪处理:由于煤矿井下环境恶劣,信号的获取存在较严重的NLOS误差,因此必须对其获得的信息进行相应的处理,首先对传统的kalman滤波算法进行改进,然后利用改进的kalman算法对这些信息进行滤波去噪处理;
获得TDOA值:TD-SCDMA具有精确的时钟同步,因此可直接利用kalman滤波处理后的TOA值相减得到TDOA值;
用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法对移动台进行位置估计:利用TD-SCDMA的智能天线技术可以获得较精确的AOA值,结合TDOA值,利用混合定位算法求得移动台的位置估计值;
残差加权:利用残差加权系数对TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法求得的位置估计值进行加权求和,获得新的位置估计值;
贝叶斯数据融合:利用贝叶斯推论对第一次数据融合求得的位置估计值和TDOA/AOA混合Taylor算法求得的位置估计值进行第二次数据融合,计算出移动台最终的位置估计值。
如图1所示,本发明主要包括一下步骤:
(1)获取信号到达基站的时间TOA和到达角度AOA;
(2)利用改进的kalman滤波算法对获取的TOA值进行去噪处理;
(3)由(2)中获得的TOA值求得信号到达时间差TDOA值;
(4)用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计;
(5)利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计;
(6)利用贝叶斯推论对位置估计值进行第二次数据融合,获得最终的位置估计值。
步骤(1)中AOA可以利用传统的MUSIC算法获得。在TD-SCDMA系统中广泛应用了智能天线技术,目前TD-SCDMA系统常用的智能天线主要有圆阵天线和线阵天线,为适应狭长的井下巷道本发明中采用线形阵列。利用智能天线技术就可以测量基站或者移动终端之间的信号方向角,即所需要的AOA值。AOA估计方法大致可分为四大类:传统法、子空间法、最大似然法以及综合特征恢复法和子空间方法。通过综合比较,采用子空间法利用MUSIC算法来获得AOA。TOA可通过基站直接获得。
步骤(2)中对TOA的滤波过程以及kalman滤波算法的改进具体如下(如图2所示):
若rm(ti)表示在ti时刻从移动台MS到基站BSm的距离测量值(由TOA测量值乘以电波传播速度获得),则rm(ti)等于真实距离dm(ti)、系统测量误差nm(ti)和NLOS误差NLOS(ti)之和,即:
rm(ti)=dm(ti)+nm(ti)+NLOS(ti) (1)
其中nm(ti)为服从均值为零的高斯噪声,NLOS(ti)一般认为是符合基于均方根时延扩展τrms的服从指数、均匀或Delta分布的正随机变量。
卡尔曼滤波器通过状态转移方程和系统测量方程把某一时刻的状态值与当前以及以前时刻的测量值联系起来,从而得到当前时刻的最优值。假设每隔周期T获取一次TOA数据,则Kalman滤波的状态方程为:
X(k+1)=φX(k)+GW(k) (2)
式(2)中
其中r(k)为k时刻的TOA值,r′(k)为r(k)的导数,因为只考虑移动台静止的情况,所以r′(k)=0,φ为状态转移矩阵,W(k)为状态噪声,服从零均值、协方差矩阵为Q的高斯白噪声。
观测方程为:Z(k)=HX(k)+V(k) (3)
式(3)中,H是测量矩阵,取H=[1 0]。
测量噪声V(k)主要包括标准测量误差nm(ti)和NLOS误差NLOS(ti)。测量噪声V(k)的协方差矩阵为R。
卡尔曼滤波递推运算过程如下:
状态预测:
预测误差协方差:
P(k/k-1)=φP(k-1/k-1)φT+GQ(k-1)GT (5)
计算Kalman滤波增益:
K(k)=P(k/k-1)HTpHP(k/k-1)HT+R(k)]-1 (6)
计算最优滤波值:
计算滤波误差协方差:
P(k/k)=P(k/k-1)[1-K(k)H] (8)
返回(4)式,开始下一次滤波。
Kalman滤波需要给定初始条件,由于NLOS产生一个正值误差,所以这里取前五次获得的信号到达时间的平均值对应的TOA值为初始值。
如果测量噪声V(k)受到NLOS的影响,则滤波估计值也会收到影响而高于正常值。由于卡尔曼滤波器具有记忆性,这种影响会一直持续下去。为减小NLOS误差对TOA估计值的影响,以下对其进行改进。
在迭代过程中,首先设定一个门限值,然后将最优滤波值与该门限值进行比较。如果大于门限值,则舍去该值,用上一时刻的状态估计值来代替该时刻的状态估计值。反之,则保留该值。重复迭代,可以有效的克服NLOS影响。
步骤(4)中TDOA/AOA混合定位就是利用TDOA和AOA的特征测量值来共同确定移动台的位置,具体包括以下两个步骤:
a获得移动台到基站的相关测量值(信号入射角度、信号到达时间),即步骤(1);
b对获得的相关测量值进行相应的处理,即步骤(2)和(3);
c根据处理后的数据建立相应的方程组,再利用Chan算法和Taylor算法分别进行求解,得到移动台的位置估计值。
步骤(5)中利用残差公式求得Chan算法和Taylor算法的残差加权系数分别为: 和 其中 为定位估计值, 为参与定位的第i个基站BS的坐标,rt为MS到第i个BS的测量距离,N为参与定位的BS数。经过加权后的位置估计值为:则经过残差加权后的定位结果为:
步骤(6)中根据贝叶斯推论计算出方差为σ的向量X的加权向量为
通过计算求得第一次数据融合后的定位估计值和Taylor算法定位估计值的均值和方差,分别设为Xr、Xt和则经过贝叶斯数据融合的最终位置估计值的均值和方差分别为Xout和σout。则:
本发明实施例提供的基于TD-SCDMA系统的井下人员精确定位方法,获取信号到达基站的时间TOA和到达角度AOA;利用改进的kalman滤波算法对获取的TOA值进行去噪处理;由去噪处理后获得的TOA值求得信号到达时间差TDOA值;用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计;利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计值;利用贝叶斯推论对位置估计值进行第二次数据融合,求得最终的位置估计值;该井下人员精确定位方法利用TD-SCDMA系统的优势和数据融合的优越性,采用TDOA/AOA混合数据融合定位算法,定位精度高,解决了煤矿井下人员定位困难的问题,实用性强,具有较强的推广与应用价值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.基于TD-SCDMA系统的井下人员精确定位方法,其特征在于,该井下人员精确定位方法包括以下步骤:
步骤一,获取信号到达基站的时间TOA和到达角度AOA;
步骤二,利用改进的kalman滤波算法对获取的TOA值进行去噪处理;
步骤三,由去噪处理后获得的TOA值求得信号到达时间差TDOA值;
步骤四,用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计;
步骤五,利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计值;
步骤六,利用贝叶斯推论对位置估计值进行第二次数据融合,求得最终的位置估计值;
在步骤一中,由于TD-SCDMA采用智能天线技术,可通过MUSIC算法获得的获得比较精确的AOA值,TOA值可通过基站直接获得;
在步骤二中,对TOA值的滤波过程以及kalman滤波算法的改进如下:
若rm(ti)表示在ti时刻从移动台MS到基站BSm的距离测量值,则rm(ti)等于真实距离dm(ti)、系统测量误差nm(ti)和NLOS误差NLOS(ti)之和,即:
rm(ti)=dm(ti)+nm(ti)+NLOS(ti) (1)
其中nm(ti)为服从均值为零的高斯噪声,NLOS(ti)一般认为是符合基于均方根时延扩展τrms的服从指数、均匀或Delta分布的正随机变量;
卡尔曼滤波器通过状态转移方程和系统测量方程把某一时刻的状态值与当前以及以前时刻的测量值联系起来,从而得到当前时刻的最优值,假设每隔周期T获取一次TOA数据,则Kalman滤波的状态方程为:
X(k+1)=φX(k)+GW(k) (2)
式(2)中
其中r(k)为k时刻的TOA值,r′(k)为r(k)的导数,因为只考虑移动台静止的情况,所以r′(k)=0,φ为状态转移矩阵,W(k)为状态噪声,服从零均值、协方差矩阵为Q的高斯白噪声;
观测方程为:Z(k)=HX(k)+V(k) (3)
式(3)中,H是测量矩阵,取H=[1 0];
测量噪声V(k)主要包括标准测量误差nm(ti)和NLOS误差NLOS(ti),测量噪声V(k)的协方差矩阵为R;
卡尔曼滤波递推运算过程如下:
状态预测:
预测误差协方差:
P(k/k-1)=φP(k-1/k-1)φT+GQ(k-1)GT (5)
计算Kalman滤波增益:
K(k)=P(k/k-1)HT[HP(k/k-1)HT+R(k)]-1 (6)
计算最优滤波值:
计算滤波误差协方差:
P(k/k)=P(k/k-1)[1-K(k)H] (8)
返回(4)式,开始下一次滤波;
Kalman滤波需要给定初始条件,由于NLOS产生一个正值误差,所以这里取前五次获得的信号到达时间的平均值对应的TOA值为初始值;
如果测量噪声V(k)受到NLOS的影响,则滤波估计值也会收到影响而高于正常值,由于卡尔曼滤波器具有记忆性,这种影响会一直持续下去,为减小NLOS误差对TOA估计值的影响,在迭代过程中,首先设定一个门限值,然后将最优滤波值与该门限值进行比较,如果大于门限值,则舍去该值,用上一时刻的状态估计值来代替该时刻的状态估计值;反之,则保留该值,重复迭代,可有效地克服NLOS影响;
在步骤三中,由去噪处理后获得的TOA值求得信号到达时间差TDOA值时,由于TD-SCDMA系统具有精确的时钟同步,可直接利用kalman滤波处理后的TOA值相减得到TDOA值;
在步骤四中,用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计时,利用TD-SCDMA的智能天线技术获得较精确的AOA值,结合TDOA值,建立相应的方程组,再利用Chan算法和Taylor算法分别进行求解,得到移动台的位置估计值;
在步骤五中,利用残差加权法对位置估计值进行第一次数据融合,求出新的位置估计值时,利用残差公式求得Chan算法和Taylor算法的残差加权系数分别为: 和其中为定位估计值,为参与定位的第i个基站BS的坐标,ri为MS到第i个BS的测量距离,N
为参与定位的BS数,经过加权后的位置估计值为:则经过残差加权后的定位结果为:
在步骤六中,利用贝叶斯推论对位置估计值进行第二次数据融合,求得最终的位置估计值时,根据贝叶斯推论计算出方差为σ的向量X的加叔向量为通过计算求得第一次数据融合后的定位估计值和Taylor算法定位估计值的均值和方差,分别设为Xr、Xt和则经过贝叶斯数据融合的最终位置估计值的均值和方差分别为Xout和σout,则:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310054905.2A CN103152695B (zh) | 2013-02-04 | 2013-02-04 | 基于td-scdma系统的井下人员精确定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310054905.2A CN103152695B (zh) | 2013-02-04 | 2013-02-04 | 基于td-scdma系统的井下人员精确定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103152695A CN103152695A (zh) | 2013-06-12 |
CN103152695B true CN103152695B (zh) | 2015-06-10 |
Family
ID=48550519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310054905.2A Active CN103152695B (zh) | 2013-02-04 | 2013-02-04 | 基于td-scdma系统的井下人员精确定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103152695B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997039A (zh) * | 2016-01-22 | 2017-08-01 | 中国矿业大学(北京) | 虚拟平面约束下重构一维空间的煤矿井下toa定位方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103476116B (zh) * | 2013-09-23 | 2016-10-12 | 东南大学 | 基于定位单元质量及多算法数据融合的抗NLoS误差定位方法 |
CN103925925B (zh) * | 2014-03-14 | 2017-06-30 | 四川九洲空管科技有限责任公司 | 一种用于多点定位系统的实时高精度位置解算方法 |
CN104080165B (zh) * | 2014-06-05 | 2017-08-04 | 杭州电子科技大学 | 一种基于tdoa的室内无线传感器网络定位方法 |
US9599698B2 (en) * | 2014-12-02 | 2017-03-21 | Intel Corporation | Enhanced positioning system using hybrid filter |
CN105824003B (zh) * | 2014-12-16 | 2019-02-22 | 国家电网公司 | 一种基于轨迹平滑的室内移动目标定位方法 |
CN105979584B (zh) * | 2016-07-06 | 2019-11-05 | 浙江工业大学 | 一种基于边长残差加权的定位方法 |
CN107371129B (zh) * | 2017-08-29 | 2020-09-15 | 郑州联睿电子科技有限公司 | 基于高度辅助修正的室内定位的tdoa定位方法 |
CN108055639B (zh) * | 2017-12-08 | 2020-07-10 | 华中科技大学 | 一种基于信令数据分析的人流密度预测方法及系统 |
CN108093361B (zh) * | 2017-12-08 | 2020-05-19 | 华中科技大学 | 一种基于网络信令数据分析的用户定位方法及系统 |
CN108616838A (zh) * | 2018-04-29 | 2018-10-02 | 山东省计算中心(国家超级计算济南中心) | 基于卡尔曼滤波算法的农业大棚数据融合处理方法 |
CN108919322B (zh) * | 2018-07-11 | 2022-07-08 | 南京航空航天大学 | 一种采用角度信息转换的定位解算方法 |
CN109186609A (zh) * | 2018-10-09 | 2019-01-11 | 南京航空航天大学 | 基于KF算法、Chan算法及Taylor算法的UWB定位方法 |
CN110657806B (zh) * | 2019-09-30 | 2021-12-07 | 青岛联合创智科技有限公司 | 一种基于CKF、chan解算和Savitzky-Golay平滑滤波的位置解算方法 |
CN111225440A (zh) * | 2019-11-22 | 2020-06-02 | 三一重工股份有限公司 | 一种协同定位方法、装置和电子设备 |
CN111683344B (zh) * | 2020-06-02 | 2022-04-08 | 南京敏智达科技有限公司 | 一种基于Wi-Fi的无线室内定位方法 |
CN112309115B (zh) * | 2020-10-27 | 2022-04-15 | 华中科技大学 | 基于多传感器融合的场内外连续位置检测与停车精确定位方法 |
CN113255872B (zh) * | 2021-05-19 | 2022-11-18 | 河北科技大学 | 基于Chan算法的天牛须探索定位方法 |
CN113938825B (zh) * | 2021-10-15 | 2024-06-14 | 太原理工大学 | 一种基于蓝牙aoa的综采工作面采煤机定位方法及系统 |
CN115314989B (zh) * | 2022-09-15 | 2024-02-13 | 重庆大学 | 一种5g与tsn融合网络的时间同步方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1251709A2 (en) * | 2001-04-20 | 2002-10-23 | Lg Electronics Inc. | Estimating the position of a mobile communications terminal by combining measurements of signals exchanged between the mobile teminal and base stations |
-
2013
- 2013-02-04 CN CN201310054905.2A patent/CN103152695B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1251709A2 (en) * | 2001-04-20 | 2002-10-23 | Lg Electronics Inc. | Estimating the position of a mobile communications terminal by combining measurements of signals exchanged between the mobile teminal and base stations |
Non-Patent Citations (2)
Title |
---|
数据融合技术在移动台定位中的应用;何增艳;《中国科技文献》;20080131;第917-921页 * |
黄亚萍.基于TDOA和TOA的无线定位技术研究.《中国优秀硕士学位论文全文数据库》.2012,第四章. * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997039A (zh) * | 2016-01-22 | 2017-08-01 | 中国矿业大学(北京) | 虚拟平面约束下重构一维空间的煤矿井下toa定位方法 |
CN106997039B (zh) * | 2016-01-22 | 2021-09-21 | 中国矿业大学(北京) | 虚拟平面约束下重构一维空间的煤矿井下toa定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103152695A (zh) | 2013-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103152695B (zh) | 基于td-scdma系统的井下人员精确定位方法 | |
Yang et al. | A novel NLOS error compensation method based IMU for UWB indoor positioning system | |
So et al. | A generalized subspace approach for mobile positioning with time-of-arrival measurements | |
Thomas et al. | Performance of a TDOA-AOA hybrid mobile location system | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
Wann et al. | Hybrid TDOA/AOA indoor positioning and tracking using extended Kalman filters | |
Xu et al. | Robust and accurate UWB‐based indoor robot localisation using integrated EKF/EFIR filtering | |
CN106793087B (zh) | 一种基于aoa和pdoa的阵列天线室内定位方法 | |
CN101483805A (zh) | 一种视距和非视距混合环境下的无线定位方法 | |
CN103501538B (zh) | 基于多径能量指纹的室内定位方法 | |
CN103596267A (zh) | 一种基于欧氏距离的指纹图匹配方法 | |
CN114363949B (zh) | 一种用于uwb定位系统的异常数据检测方法 | |
Qiao et al. | An improved method of moments estimator for TOA based localization | |
CN103400115B (zh) | 一种无线信号指纹匹配方法 | |
Pu et al. | Fingerprint-based localization performance analysis: From the perspectives of signal measurement and positioning algorithm | |
CN116321423A (zh) | 基于深度学习的uwb nlos传播误差抑制方法 | |
CN105095153A (zh) | 一种广义数据融合方法 | |
CN114548159A (zh) | 信号干扰下的超宽带精确定位方法 | |
Piperigkos et al. | 5G enabled cooperative localization of connected and semi-autonomous vehicles via sparse Laplacian processing | |
Oshiga et al. | Anchor selection for localization in large indoor venues | |
Hammes et al. | Semi-parametric geolocation estimation in NLOS environments | |
Lee et al. | Hybrid positioning system for improving location recognition performance in offshore plant environment | |
Wu et al. | Direct position determination with phase error compensation for multiple targets using spatial sparsity | |
Hu et al. | LocSwinUNet: A neural network for urban wireless localization using ToA and RSS radio maps | |
Wang et al. | Precise indoor positioning based on uwb and deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |